隨著現(xiàn)代交通發(fā)展進(jìn)程的推進(jìn),公路上行駛的機(jī)動(dòng)車越來越多,民眾出行愈發(fā)便利,與此同時(shí),也帶來了一系列道路安全問題。這些安全問題主要集中在駕駛員的疏忽大意與過于自信上,其誘因往往是駕駛員的不安全駕駛行為。交通運(yùn)輸部與四川省交通運(yùn)輸廳分別在2018年與2019年出臺(tái)了較為詳細(xì)的道路視頻監(jiān)控規(guī)范,其中交通運(yùn)輸部的規(guī)范強(qiáng)調(diào)了道路視頻監(jiān)控系統(tǒng)應(yīng)當(dāng)包含對(duì)駕駛員駕駛行為的監(jiān)測(cè);四川省交通運(yùn)輸廳的規(guī)范則更側(cè)重于主動(dòng)安全方面終端設(shè)備與通訊協(xié)議的具體測(cè)試指標(biāo)。全國各省出臺(tái)符合當(dāng)?shù)厍闆r的詳細(xì)規(guī)范已是大勢(shì)所趨,本文參考了已出臺(tái)了兩個(gè)權(quán)威規(guī)范,從主動(dòng)安全的角度出發(fā),通過研究對(duì)駕駛員不安全行為的自動(dòng)識(shí)別與報(bào)警,規(guī)范駕駛員的行為,并降低其出行風(fēng)險(xiǎn)。本文設(shè)計(jì)了一個(gè)實(shí)際應(yīng)用場景下的識(shí)別系統(tǒng),其系統(tǒng)實(shí)現(xiàn)包含算法分析模塊、結(jié)果反饋模塊與數(shù)據(jù)管理模塊三個(gè)部分。其中算法分析模塊負(fù)責(zé)自動(dòng)識(shí)別與報(bào)警;結(jié)果反饋模塊用于對(duì)自動(dòng)識(shí)別的結(jié)果進(jìn)行人工校正與反饋,并用于算法分析模塊的迭代增量學(xué)習(xí),推進(jìn)產(chǎn)品更新;數(shù)據(jù)管理模塊用于對(duì)所有數(shù)據(jù)進(jìn)行管理,并生成統(tǒng)計(jì)表格。最終初步實(shí)現(xiàn)了一個(gè)可供使用的系統(tǒng)demo版本,以展示相關(guān)功能。本文根據(jù)工程需求確認(rèn)了... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：92 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

bottleneck的網(wǎng)絡(luò)結(jié)構(gòu)

第三章模型研究與設(shè)計(jì)33力有限。我們暫時(shí)沒有能力標(biāo)注所有的圖像，只能通過兩種方法解決，一是實(shí)時(shí)系統(tǒng)中使用的更高效率提取特征的網(wǎng)絡(luò)；另一種出現(xiàn)在系統(tǒng)的非實(shí)時(shí)版本中，利用了循環(huán)神經(jīng)網(wǎng)絡(luò)，將更多未能完全標(biāo)注的數(shù)據(jù)利用上了。圖3-4bottleneck的網(wǎng)絡(luò)結(jié)構(gòu)為了找到更可靠且輕量的網(wǎng)絡(luò)，本項(xiàng)目對(duì)視頻幀進(jìn)行了重新隨機(jī)抽樣，獨(dú)立于訓(xùn)練集數(shù)據(jù)的抽樣。這種隨機(jī)抽樣進(jìn)行兩次，一次用于對(duì)網(wǎng)絡(luò)的驗(yàn)證，一次用于最終的測(cè)試評(píng)估，且此時(shí)的抽樣數(shù)量遠(yuǎn)小于最初構(gòu)造數(shù)據(jù)集的抽樣數(shù)量，是實(shí)際可行的。圖3-5model_efficiency的網(wǎng)絡(luò)結(jié)構(gòu)本項(xiàng)目嘗試了多種網(wǎng)絡(luò)，最優(yōu)的網(wǎng)絡(luò)如圖3-5，它是mobilenet-v3的精簡版，在small版本的基礎(chǔ)上減少了層數(shù)和構(gòu)成，但設(shè)計(jì)思想基本相似。對(duì)輸入層進(jìn)行帶批歸一化的二維卷積（圖3-5中的cbk結(jié)構(gòu)，即convblock）后，再經(jīng)過6個(gè)bottleneck

第三章模型研究與設(shè)計(jì)35行Xavier初始化；從低到高凍結(jié)部分層，在本數(shù)據(jù)集上做fine-tune調(diào)優(yōu)訓(xùn)練。圖3-6model_performance的網(wǎng)絡(luò)結(jié)構(gòu)從業(yè)務(wù)邏輯來講，無須使用過于復(fù)雜的attention結(jié)構(gòu)，長短時(shí)記憶網(wǎng)絡(luò)的性能已經(jīng)足夠。此處有兩種設(shè)計(jì)方案，第一種是在每個(gè)時(shí)間步都執(zhí)行model_efficiency的主體部分，抽取特征后再對(duì)其使用LSTM匯集時(shí)間域上的信息；第二種是對(duì)每個(gè)時(shí)間步使用卷積形式的LSTM，即ConvLSTM進(jìn)行處理，匯集特征后再使用model_efficiency。從計(jì)算量的層面考慮，第二種要優(yōu)于第一種，尤其是在LSTM的時(shí)間跨度較大時(shí)。最終，使用的結(jié)構(gòu)如圖3-6所示。3.5特征融合的方式常見的特征融合大致可以劃分為三個(gè)大類。第一類是所謂的高低層特征融合，將同一個(gè)網(wǎng)絡(luò)不同層次的特征進(jìn)行充分利用，由于能夠?qū)⒌讓拥募?xì)節(jié)位置信息與卷積后高層的語義信息進(jìn)行融合，通常能夠被很好地應(yīng)用于檢測(cè)與分割任務(wù)。這種方法可以表現(xiàn)為跳躍連接，直接拼接或加和不同層次的網(wǎng)絡(luò)計(jì)算結(jié)果，再對(duì)這


本文編號(hào)：3431195